過去兩週我一直在埋頭研究 GeminiOmni 影片工具，想聊聊讓我意外的地方。一開始，我以為 Sora 2 仍然是難以超越的標杆。但到我在 /tools/text-to-video 部署上線時，我已經悄悄把預設模型換成了谷歌的 Veo 3.1 Fast —— 原因並非畫質，而是賬本。
這是一篇構建筆記，並非基準測試套件。我會說明決策過程、背後的算賬邏輯，以及如果你想走同樣路線需要了解的各項權衡。
90秒速覽
如果你是快速瀏覽：
- Veo 3.1 Fast 每生成一秒影片收費 0.15 美元，按秒計費，價格在谷歌定價頁面上公開透明。
- Sora 2 僅可通過 ChatGPT Pro（每月 200 美元）或每月 20 美元的 ChatGPT Plus 附加包（有月度生成上限）使用，不存在可用於財務模型的誠實單價。
- 對於獨立業務而言，後者比前者更重要。當我的投入成本是“每月 200 美元除以當月生成的片段數”時，我無法為使用者確定每個影片的價格。
- 畫質方面，Sora 2 在逼真人臉和複雜運鏡上仍佔優勢。Veo 3.1 Fast 則勝在同步原生音訊，且在獨立影片製作所需的其他方面——產品演示、社交影片素材、生活風格 B-roll——已足夠優秀。
實際對比過程
我準備了 30 個提示詞，涵蓋 GeminiOmni 使用者可能輸入的典型場景。約三分之一是產品演示風格（“一隻手將濃縮咖啡倒入透明玻璃杯，慢動作，廚房燈光”），三分之一是社交平臺素材風格（“3 秒鏡頭拉近到手機螢幕，有人雙擊點開 Instagram 帖子”），最後三分之一是生活 B-roll（“柏林陽臺上的晨光，常春藤隨風搖曳”）。
我對每個提示詞在以下模型上生成：
- Veo 3.1 Fast（通過 Gemini 開發者 API，每秒 0.15 美元）
- Veo 3.1 Standard（同一 API，每秒 0.40 美元）
- Sora 2（通過我的 ChatGPT Pro 帳戶，僅計算生成時間——無公平的每片段成本資料）
我從四個方面（主體保真度、運動合理性、音訊質量、提示詞遵循度）按私人 1-5 分制評分。
我不公佈每個提示詞的得分，因為 n=30 的樣本下資料噪聲較大，也不希望任何人將其視為基準。但我可以分享模式：
- Veo 3.1 Fast 在音訊方面全面勝過 Sora 2，每次皆是。同步的腳步聲、水聲、環境室內音——Veo 的原生音訊是殺手級功能，而 Sora 根本不支援。
- Sora 2 在人臉和唇部動作方面勝過 Veo 3.1 Fast，尤其在特寫鏡頭中。如果你的使用場景涉及有人直面鏡頭說話，這個差距確實存在。
- Veo 3.1 Standard 以 2.7 倍的成本彌合了約一半的人臉/唇部差距。我將其保留在 Pro 計劃中作為可切換選項，而非預設設定。
在 API 呼叫中，成本情況如下：
- 在 Veo 3.1 Fast 上生成 8 秒片段：1.20 美元
- 在 Veo 3.1 Standard 上生成 8 秒片段：3.20 美元
- 在 Sora 2 上生成 8 秒片段：我實在無法告訴你。那個月我生成了 30 個片段，支付了 200 美元的固定費用。
為什麼按秒計費比你想象的更重要
下面用兩段話說明獨立業務需要透明按次計費的原因。
如果我打算提供每月 19 美元的“Pro”計劃，包含 100 個影片片段的限額，我必須知道每個片段的單位成本。以 Veo 3.1 Fast 每秒 0.15 美元、平均輸出 6 秒計算，每個片段成本約 0.90 美元。一個用滿限額的重度 Pro 使用者會花掉我 90 美元，還剩 71 美元毛利覆蓋其他開銷，這很可行。這些數字平淡無奇，但都在定價頁面上明明白白寫著。
如果我試圖在 Sora 上運營同樣的業務，輸入成本將是一個階躍函式，取決於我當月是否超過 OpenAI 的某個隱藏配額。我離單位成本倒掛只差一次配額調整的距離。這種風險我無法承擔，任何獨立開發者都無法承擔。
這不是在批評 Sora 的畫質。這是對商業模式的質疑。OpenAI 通過固定費率的 ChatGPT 訂閱向消費者出售 Sora。谷歌通過按量計費的 API 向開發者出售 Veo。第一種模式對 ChatGPT 使用者很友好，但對下游構建者而言完全不可用；第二種則恰好相反。
音訊能力貨真價實
我想花一整節討論 Veo 3.1 的同步音訊，因為我之前低估了它。
當你用 Veo 3.1 生成“一個人走過木地板，晨光，側檢視”時，一次模型執行就能同時得到畫面和腳步聲。相位對齊、立體聲，並且針對可見空間有正確的房間混響。我原以為這會是噱頭——“AI 音效”——而且有一半機率明顯違和。
但它一點不違和。準確度之高，以至於我經常忘記這是生成的。腳步聲與可見的腳部觸地落在同一幀上。房間混響隨可見房間大小而變化。環境音與場景匹配（咖啡館鏡頭有窸窣人聲，戶外鏡頭有風聲）。
對社交平臺的獨立影片製作而言，這完全省去了後期音訊製作步驟。你無需尋找素材庫音訊，無需為 B-roll 支付音效設計師費用，也無需單獨進行同步處理。模型一步完成，而且效果好到可以直接釋出。
現在，每個沒有同步音訊的“AI 影片”工具，都在與一個同價格卻具備此功能的對手競爭。沒有同步音訊的工具壓力山大。
我在其上的構建
現在 /tools/text-to-video 的預設路線是 Veo 3.1 Fast。Pro 計劃提供了一個 Veo 3.1 Standard 的切換開關，供使用者在特寫人臉需要更高保真度時使用。我在 Free 層上添加了小規模伺服器端上限（每月 5 次生成，720p，帶水印），因為按每秒 0.15 美元計算，只有免費使用者以合理比率轉化為付費使用者，這個賬才算得過來。
如果你正在構建類似產品，一些有觀點的實現選擇供參考：
- 在 Pro 帳戶上，我會將使用者的提示詞和經過放大、標註模型名稱的響應保留在伺服器上 30 天；Free 帳戶則立即丟棄。儲存提示詞涉及隱私風險，不值得那點節省。
- 我會在每個生成的影片片段下方顯示模型名稱——就是一個小的“Veo 3.1 Fast”徽章。使用者有權知道自己支付的是什麼。
- 我不會自動續費點數。如果你購買了一個 400 點數包且在 12 個月內未使用，它會過期。我寧願損失一筆 29 美元的收入，也不願成為悄悄消耗使用者餘額的公司。
I/O 大會上值得關注的動向
下週的 Google I/O 2026 大會，有兩個動向需要留意，它們都可能改變我的預設選擇：
Gemini Omni. 一個新的影片模型已通過 Gemini 應用 UI 洩露——5 月 5 日出現了類似“使用 Gemini Omni 創作：體驗我們的新影片模型，混剪影片，直接在聊天中編輯”的字串。如果谷歌推出與 Veo 採用相同 API 定價模式的 Omni 級影片模型，獨立開發者的預設選擇將再次改變。我會在釋出當天撰寫相關文章。
Sora 2 API. OpenAI 已暗示將推出按量計費的 Sora API。如果它以低於每秒 0.30 美元的透明定價出現，人臉畫質差距很可能成為決定性因素。如果它仍受限於企業銷售或神秘配額，獨立開發者應當忽略它。只有當我看到定價頁面時，我才會相信按量計費的 API。
延伸閱讀
—— Lena
